Декодування AI AGENT: інтелектуальна сила, що формує нову економічну екосистему майбутнього
1. Загальний фон
1.1 Вступ: "Новий партнер" епохи розумних технологій
Кожен цикл криптовалют приносить нову інфраструктуру, що сприяє розвитку всієї галузі.
У 2017 році виникнення смарт-контрактів сприяло бурхливому розвитку ICO.
У 2020 році ліквідні пулі DEX принесли літню спеку DeFi.
У 2021 році з'явилося безліч NFT-серій, що стало знаковим моментом для ери цифрових колекцій.
В 2024 році відмінні показники певної платформи для запуску стали лідерами хвилі memecoin і платформ для запуску.
Необхідно підкреслити, що старт у цих вертикальних галузях зумовлений не лише технологічними інноваціями, але й ідеальним поєднанням фінансових моделей та циклу буму. Коли можливість зустрічається з правильним часом, це може призвести до величезних змін. Оглядаючи 2025 рік, очевидно, що новою обраною галуззю циклу 2025 року буде AI-агент. Ця тенденція досягла піку в жовтні минулого року, 11 жовтня 2024 року було запущено певний токен, який 15 жовтня досягнув капіталізації в 150 мільйонів доларів. Наступного дня, 16 жовтня, певний протокол запустив Luna, вперше з'явившись у образі IP дівчини-сусідки, що вибухнуло в усьому секторі.
Отже, що таке AI Agent?
Всі знайомі з класичним фільмом «Обитель зла», в якому вражає AI-система Червона Королева. Червона Королева – це потужна AI-система, що контролює складні об'єкти та системи безпеки, здатна самостійно сприймати оточення, аналізувати дані та швидко вживати заходів.
Насправді, AI Agent має багато спільного з основними функціями червоного королеви. У реальному світі AI Agent у певному сенсі виконує подібну роль, вони є "розумними охоронцями" сучасних технологій, які через автономне сприйняття, аналіз та виконання допомагають підприємствам та особам справлятися зі складними завданнями. Від автомобілів з автопілотом до розумних客服, AI Agent проникли в різні галузі, ставши ключовою силою для підвищення ефективності та інновацій. Ці автономні інтелектуальні системи, як невидимі члени команди, мають всебічні можливості від сприйняття середовища до виконання рішень, поступово проникаючи в різні галузі, сприяючи подвійному підвищенню ефективності та інновацій.
Наприклад, AI AGENT може використовуватися для автоматизації торгівлі, на основі даних, зібраних з платформи даних або соціальної платформи, щоб в реальному часі управляти портфелем і виконувати угоди, постійно оптимізуючи свою продуктивність в процесі ітерацій. AI AGENT не має єдиної форми, а розподіляється на різні категорії відповідно до специфічних потреб криптоекосистеми:
Виконавчий AI-агент: зосереджується на виконанні конкретних завдань, таких як торгівля, управління портфелем або арбітраж, спрямований на підвищення точності операцій і зменшення необхідного часу.
Творчий AI агент: для генерації контенту, включаючи текст, дизайн і навіть створення музики.
Соціальний AI агент: як лідер думок у соціальних мережах, взаємодіяти з користувачами, створювати спільноту та брати участь у маркетингових кампаніях.
Координаційний AI агент: координує складні взаємодії між системами або учасниками, особливо підходить для інтеграції декількох ланцюгів.
У цьому звіті ми детально дослідимо походження, стан та широкі перспективи застосування AI Agent, проаналізуємо, як вони перетворюють галузевий ландшафт, і розглянемо тенденції їхнього майбутнього розвитку.
1.1.1 Історія розвитку
Розвиток AI AGENT демонструє еволюцію AI від базових досліджень до широкого застосування. На конференції в Дартмуті в 1956 році термін "AI" був вперше запропонований, що заклало основу для AI як незалежної галузі. У цей період дослідження AI здебільшого зосереджувалися на символічних методах, що призвело до створення перших AI програм, таких як ELIZA (чат-бот) та Dendral (експертна система в галузі органічної хімії). Ця стадія також стала свідком першого впровадження нейронних мереж та початкового дослідження концепції машинного навчання. Але дослідження AI в цей період зазнало серйозних обмежень через технологічні можливості того часу. Дослідники стикалися з великими труднощами в розробці алгоритмів для обробки природної мови та імітації когнітивних функцій людини. Крім того, в 1972 році математик Джеймс Лайтхілл подав звіт про стан досліджень AI у Великобританії, який був опублікований у 1973 році. Звіт Лайтхілла в основному висловлював повний песимізм щодо досліджень AI після початкового періоду захоплення, що призвело до величезної втрати довіри до AI з боку британських академічних установ (, включаючи фінансові установи ). Після 1973 року фінансування досліджень AI різко зменшилось, а галузь AI пережила першу "зиму AI", зростаючи недовіру до потенціалу AI.
У 1980-х роках розвиток і комерціалізація експертних систем спонукали світові компанії почати впроваджувати технології ШІ. У цей період було досягнуто значного прогресу в машинному навчанні, нейронних мережах та обробці природної мови, що сприяло появі більш складних застосувань ШІ. Введення перших автономних транспортних засобів та впровадження ШІ в різних галузях, таких як фінанси та охорона здоров’я, також стало ознакою розширення технологій ШІ. Але в кінці 1980-х - на початку 1990-х років, із падінням попиту на спеціалізоване апаратне забезпечення для ШІ, галузь пережила другий "зимовий період ШІ". Крім того, як розширити масштаби систем ШІ та успішно інтегрувати їх у реальні застосування, залишається постійним викликом. Але в той же час, у 1997 році комп’ютер IBM Deep Blue переміг чемпіона світу з шахів Гаррі Каспарова, що стало знаковою подією для ШІ в контексті вирішення складних задач. Відродження нейронних мереж і глибокого навчання заклало фундамент для розвитку ШІ наприкінці 1990-х років, зробивши його невід’ємною частиною технологічного ландшафту та почавши впливати на повсякденне життя.
На початку цього століття прогрес у обчислювальних можливостях сприяв виникненню глибокого навчання, а віртуальні помічники, такі як Siri, продемонстрували практичність AI у споживчих застосуваннях. У 2010-х роках агентів з підкріплювальним навчанням і генеративні моделі, такі як GPT-2, досягли подальших проривів, підносячи розмовний AI на нові висоти. У цьому процесі поява великих мовних моделей (Large Language Model, LLM) стала важливою віхою в розвитку AI, а випуск GPT-4 сприймається як переломний момент у сфері AI-агентів. Відтоді, як певна компанія випустила серію GPT, великомасштабні попередньо навчені моделі продемонстрували можливості генерації та розуміння мови, які перевершують традиційні моделі, завдяки сотням мільярдів або навіть тисячам мільярдів параметрів. Їхня видатна продуктивність у обробці природної мови дозволила AI-агентам демонструвати логічні та чіткі взаємодії через генерацію мови. Це дало можливість AI-агентам застосовуватися в таких сценаріях, як чат-асистенти, віртуальні клієнтські служби, і поступово розширюватися до більш складних завдань (таких як бізнес-аналіз, креативне написання).
Здатність великих мовних моделей до навчання надає AI-агентам вищу автономність. Завдяки технології навчання з підкріпленням (Reinforcement Learning) AI-агенти можуть постійно оптимізувати свою поведінку, адаптуючись до динамічного середовища. Наприклад, на певній платформі, що використовує AI, AI-агенти можуть налаштовувати свої стратегії поведінки відповідно до введення гравця, дійсно реалізуючи динамічну взаємодію.
Від ранніх систем правил до великих мовних моделей на прикладі GPT-4, історія розвитку AI-агентів є історією постійного подолання технічних меж. Поява GPT-4 безумовно є значним поворотним пунктом у цьому процесі. З подальшим розвитком технологій AI-агенти стануть ще більш інтелектуальними, ситуаційними та різноманітними. Великі мовні моделі не лише надають "інтелекту" душу AI-агентам, але й надають їм можливість міждисциплінарної співпраці. У майбутньому інноваційні проектні платформи постійно з'являтимуться, продовжуючи просувати технології AI-агентів до реалізації та розвитку, ведучи до нової ери досвіду, керованого AI.
1.2 Принцип роботи
AIAGENT відрізняється від традиційних роботів тим, що вони можуть навчатися і адаптуватися з часом, приймаючи детальні рішення для досягнення цілей. Їх можна вважати технічно досконалими і постійно розвиваються учасниками криптосфери, які здатні самостійно діяти в цифровій економіці.
Основна суть AI AGENT полягає в його "інтелекту"------тобто в тому, щоб за допомогою алгоритмів імітувати інтелектуальну поведінку людини або інших живих істот для автоматизації вирішення складних проблем. Робочий процес AI AGENT зазвичай слідує наступним етапам: сприйняття, міркування, дія, навчання, коригування.
1.2.1 Модуль сприйняття
AI AGENT взаємодіє з зовнішнім світом через модуль сприйняття, збираючи інформацію про навколишнє середовище. Ця частина функцій подібна до людських сенсорів, використовуючи датчики, камери, мікрофони та інші пристрої для захоплення зовнішніх даних, що включає в себе вилучення значущих характеристик, розпізнавання об'єктів або визначення відповідних сутностей у середовищі. Основне завдання модуля сприйняття полягає в перетворенні сирих даних у значущу інформацію, що зазвичай передбачає використання наступних технологій:
Комп'ютерне зір: використовується для обробки та розуміння зображень та відеоданих.
Обробка природної мови (NLP): допомагає AI AGENT розуміти та генерувати людську мову.
Злиття датчиків: інтеграція даних з кількох датчиків в єдину картину.
1.2.2 Модуль висновків та ухвалення рішень
Після сприйняття навколишнього середовища, AI AGENT повинен приймати рішення на основі даних. Модуль міркування та прийняття рішень є "мозком" всієї системи, він здійснює логічне міркування та розробку стратегій на основі зібраної інформації. Використовуючи великі мовні моделі та інші, що виступають у ролі оркестратора або двигуна міркування, розуміє завдання, генерує рішення та координує спеціалізовані моделі для таких функцій, як створення контенту, обробка зображень або системи рекомендацій.
Цей модуль зазвичай використовує такі технології:
Правила: прості рішення на основі заданих правил.
Моделі машинного навчання: включають дерева рішень, нейронні мережі тощо, призначені для складного розпізнавання шаблонів та прогнозування.
Поглиблене навчання: дозволити AI AGENT постійно оптимізувати стратегії прийняття рішень через проби та помилки, адаптуючись до змінного середовища.
Процес інференції зазвичай містить кілька кроків: спочатку оцінка середовища, потім обчислення кількох можливих варіантів дій на основі цілей, і нарешті вибір оптимального варіанту для виконання.
1.2.3 Виконавчий модуль
Виконавчий модуль є "руками та ногами" ШТ AGENT, який реалізує рішення модуля міркування. Ця частина взаємодіє з зовнішніми системами або пристроями для виконання визначених завдань. Це може включати фізичні операції (як-от дії роботів) або цифрові операції (як-от обробка даних). Виконавчий модуль залежить від:
Система управління роботами: використовується для фізичних операцій, наприклад, для руху роботизованих рук.
Виклик API: взаємодія з зовнішніми програмними системами, такими як запити до бази даних або доступ до мережевих сервісів.
Автоматизація управління процесами: у корпоративному середовищі виконання повторюваних завдань за допомогою RPA (автоматизації роботизованих процесів).
1.2.4 Модуль навчання
Модуль навчання є основною конкурентною перевагою AI AGENT, він дозволяє агенту з часом ставати розумнішим. Постійне вдосконалення через зворотний зв'язок або "дані маховика" включає дані, що генеруються під час взаємодії, назад у систему для покращення моделі. Ця здатність поступово адаптуватися та ставати більш ефективною з часом надає підприємствам потужний інструмент для покращення процесу прийняття рішень та ефективності операцій.
Модулі навчання зазвичай покращуються наступними способами:
Підконтрольне навчання: використання помічених даних для навчання моделі, щоб AI AGENT міг точніше виконувати завдання.
Безконтрольне навчання: виявлення潜在模式 з неоцінених даних, що допомагає агенту адаптуватися до нових умов.
Постійне навчання: оновлюючи модель за допомогою даних в реальному часі, підтримуйте продуктивність агента в динамічному середовищі.
1.2.5 Реальний зворотний зв'язок та коригування
AI AGENT постійно оптимізує свою продуктивність шляхом безперервного зворотного зв'язку. Результати кожної дії фіксуються і використовуються для коригування майбутніх рішень. Ця замкнена система забезпечує адаптивність і гнучкість AI AGENT.
1.3 Стан ринку
1.3.1 Стан індустрії
AI AGENT стає центром уваги на ринку, завдяки своєму величезному потенціалу як споживчого інтерфейсу та автономного економічного агента, що приносить зміни в кількох галузях. Як і в попередньому циклі, потенціал L1 блок-простору був важко оцінити, так і AI AGENT демонструє аналогічні перспективи в цьому циклі.
Згідно з останнім звітом Markets and Markets, ринок AI Agent, ймовірно, зросте з 5,1 мільярда доларів США у 2024 році до 47,1 мільярда доларів США у 2030 році, з середньорічним темпом зростання (CAGR) до 44,8%. Це швидке зростання відображає проникнення AI Agent у різних галузях, а також попит на ринку, зумовлений технічними інноваціями.
Вклад великих компаній у відкриті проксі-фреймворки також суттєво зріс. Розробка таких фреймворків, як AutoGen, Phidata та LangGraph однієї з компаній, стає все активнішою, що свідчить про те, що AI AGENT має більший ринковий потенціал за межами криптосфери,
Ця сторінка може містити контент третіх осіб, який надається виключно в інформаційних цілях (не в якості запевнень/гарантій) і не повинен розглядатися як схвалення його поглядів компанією Gate, а також як фінансова або професійна консультація. Див. Застереження для отримання детальної інформації.
AI AGENT: Розумна сила формування нової економіки шифрування
Декодування AI AGENT: інтелектуальна сила, що формує нову економічну екосистему майбутнього
1. Загальний фон
1.1 Вступ: "Новий партнер" епохи розумних технологій
Кожен цикл криптовалют приносить нову інфраструктуру, що сприяє розвитку всієї галузі.
Необхідно підкреслити, що старт у цих вертикальних галузях зумовлений не лише технологічними інноваціями, але й ідеальним поєднанням фінансових моделей та циклу буму. Коли можливість зустрічається з правильним часом, це може призвести до величезних змін. Оглядаючи 2025 рік, очевидно, що новою обраною галуззю циклу 2025 року буде AI-агент. Ця тенденція досягла піку в жовтні минулого року, 11 жовтня 2024 року було запущено певний токен, який 15 жовтня досягнув капіталізації в 150 мільйонів доларів. Наступного дня, 16 жовтня, певний протокол запустив Luna, вперше з'явившись у образі IP дівчини-сусідки, що вибухнуло в усьому секторі.
Отже, що таке AI Agent?
Всі знайомі з класичним фільмом «Обитель зла», в якому вражає AI-система Червона Королева. Червона Королева – це потужна AI-система, що контролює складні об'єкти та системи безпеки, здатна самостійно сприймати оточення, аналізувати дані та швидко вживати заходів.
Насправді, AI Agent має багато спільного з основними функціями червоного королеви. У реальному світі AI Agent у певному сенсі виконує подібну роль, вони є "розумними охоронцями" сучасних технологій, які через автономне сприйняття, аналіз та виконання допомагають підприємствам та особам справлятися зі складними завданнями. Від автомобілів з автопілотом до розумних客服, AI Agent проникли в різні галузі, ставши ключовою силою для підвищення ефективності та інновацій. Ці автономні інтелектуальні системи, як невидимі члени команди, мають всебічні можливості від сприйняття середовища до виконання рішень, поступово проникаючи в різні галузі, сприяючи подвійному підвищенню ефективності та інновацій.
Наприклад, AI AGENT може використовуватися для автоматизації торгівлі, на основі даних, зібраних з платформи даних або соціальної платформи, щоб в реальному часі управляти портфелем і виконувати угоди, постійно оптимізуючи свою продуктивність в процесі ітерацій. AI AGENT не має єдиної форми, а розподіляється на різні категорії відповідно до специфічних потреб криптоекосистеми:
Виконавчий AI-агент: зосереджується на виконанні конкретних завдань, таких як торгівля, управління портфелем або арбітраж, спрямований на підвищення точності операцій і зменшення необхідного часу.
Творчий AI агент: для генерації контенту, включаючи текст, дизайн і навіть створення музики.
Соціальний AI агент: як лідер думок у соціальних мережах, взаємодіяти з користувачами, створювати спільноту та брати участь у маркетингових кампаніях.
Координаційний AI агент: координує складні взаємодії між системами або учасниками, особливо підходить для інтеграції декількох ланцюгів.
У цьому звіті ми детально дослідимо походження, стан та широкі перспективи застосування AI Agent, проаналізуємо, як вони перетворюють галузевий ландшафт, і розглянемо тенденції їхнього майбутнього розвитку.
1.1.1 Історія розвитку
Розвиток AI AGENT демонструє еволюцію AI від базових досліджень до широкого застосування. На конференції в Дартмуті в 1956 році термін "AI" був вперше запропонований, що заклало основу для AI як незалежної галузі. У цей період дослідження AI здебільшого зосереджувалися на символічних методах, що призвело до створення перших AI програм, таких як ELIZA (чат-бот) та Dendral (експертна система в галузі органічної хімії). Ця стадія також стала свідком першого впровадження нейронних мереж та початкового дослідження концепції машинного навчання. Але дослідження AI в цей період зазнало серйозних обмежень через технологічні можливості того часу. Дослідники стикалися з великими труднощами в розробці алгоритмів для обробки природної мови та імітації когнітивних функцій людини. Крім того, в 1972 році математик Джеймс Лайтхілл подав звіт про стан досліджень AI у Великобританії, який був опублікований у 1973 році. Звіт Лайтхілла в основному висловлював повний песимізм щодо досліджень AI після початкового періоду захоплення, що призвело до величезної втрати довіри до AI з боку британських академічних установ (, включаючи фінансові установи ). Після 1973 року фінансування досліджень AI різко зменшилось, а галузь AI пережила першу "зиму AI", зростаючи недовіру до потенціалу AI.
У 1980-х роках розвиток і комерціалізація експертних систем спонукали світові компанії почати впроваджувати технології ШІ. У цей період було досягнуто значного прогресу в машинному навчанні, нейронних мережах та обробці природної мови, що сприяло появі більш складних застосувань ШІ. Введення перших автономних транспортних засобів та впровадження ШІ в різних галузях, таких як фінанси та охорона здоров’я, також стало ознакою розширення технологій ШІ. Але в кінці 1980-х - на початку 1990-х років, із падінням попиту на спеціалізоване апаратне забезпечення для ШІ, галузь пережила другий "зимовий період ШІ". Крім того, як розширити масштаби систем ШІ та успішно інтегрувати їх у реальні застосування, залишається постійним викликом. Але в той же час, у 1997 році комп’ютер IBM Deep Blue переміг чемпіона світу з шахів Гаррі Каспарова, що стало знаковою подією для ШІ в контексті вирішення складних задач. Відродження нейронних мереж і глибокого навчання заклало фундамент для розвитку ШІ наприкінці 1990-х років, зробивши його невід’ємною частиною технологічного ландшафту та почавши впливати на повсякденне життя.
На початку цього століття прогрес у обчислювальних можливостях сприяв виникненню глибокого навчання, а віртуальні помічники, такі як Siri, продемонстрували практичність AI у споживчих застосуваннях. У 2010-х роках агентів з підкріплювальним навчанням і генеративні моделі, такі як GPT-2, досягли подальших проривів, підносячи розмовний AI на нові висоти. У цьому процесі поява великих мовних моделей (Large Language Model, LLM) стала важливою віхою в розвитку AI, а випуск GPT-4 сприймається як переломний момент у сфері AI-агентів. Відтоді, як певна компанія випустила серію GPT, великомасштабні попередньо навчені моделі продемонстрували можливості генерації та розуміння мови, які перевершують традиційні моделі, завдяки сотням мільярдів або навіть тисячам мільярдів параметрів. Їхня видатна продуктивність у обробці природної мови дозволила AI-агентам демонструвати логічні та чіткі взаємодії через генерацію мови. Це дало можливість AI-агентам застосовуватися в таких сценаріях, як чат-асистенти, віртуальні клієнтські служби, і поступово розширюватися до більш складних завдань (таких як бізнес-аналіз, креативне написання).
Здатність великих мовних моделей до навчання надає AI-агентам вищу автономність. Завдяки технології навчання з підкріпленням (Reinforcement Learning) AI-агенти можуть постійно оптимізувати свою поведінку, адаптуючись до динамічного середовища. Наприклад, на певній платформі, що використовує AI, AI-агенти можуть налаштовувати свої стратегії поведінки відповідно до введення гравця, дійсно реалізуючи динамічну взаємодію.
Від ранніх систем правил до великих мовних моделей на прикладі GPT-4, історія розвитку AI-агентів є історією постійного подолання технічних меж. Поява GPT-4 безумовно є значним поворотним пунктом у цьому процесі. З подальшим розвитком технологій AI-агенти стануть ще більш інтелектуальними, ситуаційними та різноманітними. Великі мовні моделі не лише надають "інтелекту" душу AI-агентам, але й надають їм можливість міждисциплінарної співпраці. У майбутньому інноваційні проектні платформи постійно з'являтимуться, продовжуючи просувати технології AI-агентів до реалізації та розвитку, ведучи до нової ери досвіду, керованого AI.
1.2 Принцип роботи
AIAGENT відрізняється від традиційних роботів тим, що вони можуть навчатися і адаптуватися з часом, приймаючи детальні рішення для досягнення цілей. Їх можна вважати технічно досконалими і постійно розвиваються учасниками криптосфери, які здатні самостійно діяти в цифровій економіці.
Основна суть AI AGENT полягає в його "інтелекту"------тобто в тому, щоб за допомогою алгоритмів імітувати інтелектуальну поведінку людини або інших живих істот для автоматизації вирішення складних проблем. Робочий процес AI AGENT зазвичай слідує наступним етапам: сприйняття, міркування, дія, навчання, коригування.
1.2.1 Модуль сприйняття
AI AGENT взаємодіє з зовнішнім світом через модуль сприйняття, збираючи інформацію про навколишнє середовище. Ця частина функцій подібна до людських сенсорів, використовуючи датчики, камери, мікрофони та інші пристрої для захоплення зовнішніх даних, що включає в себе вилучення значущих характеристик, розпізнавання об'єктів або визначення відповідних сутностей у середовищі. Основне завдання модуля сприйняття полягає в перетворенні сирих даних у значущу інформацію, що зазвичай передбачає використання наступних технологій:
1.2.2 Модуль висновків та ухвалення рішень
Після сприйняття навколишнього середовища, AI AGENT повинен приймати рішення на основі даних. Модуль міркування та прийняття рішень є "мозком" всієї системи, він здійснює логічне міркування та розробку стратегій на основі зібраної інформації. Використовуючи великі мовні моделі та інші, що виступають у ролі оркестратора або двигуна міркування, розуміє завдання, генерує рішення та координує спеціалізовані моделі для таких функцій, як створення контенту, обробка зображень або системи рекомендацій.
Цей модуль зазвичай використовує такі технології:
Процес інференції зазвичай містить кілька кроків: спочатку оцінка середовища, потім обчислення кількох можливих варіантів дій на основі цілей, і нарешті вибір оптимального варіанту для виконання.
1.2.3 Виконавчий модуль
Виконавчий модуль є "руками та ногами" ШТ AGENT, який реалізує рішення модуля міркування. Ця частина взаємодіє з зовнішніми системами або пристроями для виконання визначених завдань. Це може включати фізичні операції (як-от дії роботів) або цифрові операції (як-от обробка даних). Виконавчий модуль залежить від:
1.2.4 Модуль навчання
Модуль навчання є основною конкурентною перевагою AI AGENT, він дозволяє агенту з часом ставати розумнішим. Постійне вдосконалення через зворотний зв'язок або "дані маховика" включає дані, що генеруються під час взаємодії, назад у систему для покращення моделі. Ця здатність поступово адаптуватися та ставати більш ефективною з часом надає підприємствам потужний інструмент для покращення процесу прийняття рішень та ефективності операцій.
Модулі навчання зазвичай покращуються наступними способами:
1.2.5 Реальний зворотний зв'язок та коригування
AI AGENT постійно оптимізує свою продуктивність шляхом безперервного зворотного зв'язку. Результати кожної дії фіксуються і використовуються для коригування майбутніх рішень. Ця замкнена система забезпечує адаптивність і гнучкість AI AGENT.
1.3 Стан ринку
1.3.1 Стан індустрії
AI AGENT стає центром уваги на ринку, завдяки своєму величезному потенціалу як споживчого інтерфейсу та автономного економічного агента, що приносить зміни в кількох галузях. Як і в попередньому циклі, потенціал L1 блок-простору був важко оцінити, так і AI AGENT демонструє аналогічні перспективи в цьому циклі.
Згідно з останнім звітом Markets and Markets, ринок AI Agent, ймовірно, зросте з 5,1 мільярда доларів США у 2024 році до 47,1 мільярда доларів США у 2030 році, з середньорічним темпом зростання (CAGR) до 44,8%. Це швидке зростання відображає проникнення AI Agent у різних галузях, а також попит на ринку, зумовлений технічними інноваціями.
Вклад великих компаній у відкриті проксі-фреймворки також суттєво зріс. Розробка таких фреймворків, як AutoGen, Phidata та LangGraph однієї з компаній, стає все активнішою, що свідчить про те, що AI AGENT має більший ринковий потенціал за межами криптосфери,